重载列车及其纵向动力学牵引运行优化控制系统的制作方法

1.本发明涉及长大重载组合列车在复杂线路运行时列车动力学性能优化的控制技术， 特别是一种重载列车纵向动力学牵引运行优化控制系统。


背景技术：

2.重载组合列车牵引运行纵向动力学性能优化及其重联机车分布动力牵引匹配控制 一直是重载牵引关键科学问题之一，重载组合列车的许多重大事故均与列车牵引运行中 纵向力劣化关系密切，影响了列车运行的安全。
3.基于目前的机车无线重联牵引控制方法，重载组合列车中部的从控机车跟随位于头 部的主控机车。通常机车分布动力牵引控制可降低列车的纵向作用力，提升列车的运行 品质，但遇到特别是在线路变坡点、电力机车过分相以及故障时刻等情况下，采用分布 动力重联控制有时不能抑制列车特定工况下的纵向力劣化，异常故障下将发生列车中机 车车辆前后冲动过大引起车钩纵向力变异，严重的造成列车分离。目前只能通过制定复 杂的列车操纵办法来保障运行安全，不能从根本上解决问题。


技术实现要素：

4.本发明所要解决的技术问题是，针对现有技术不足，提供一种重载列车及其纵向 动力学牵引运行优化控制系统，实现对重载组合列车运行调速时、尤其是长大列车在变 坡点工况切换时可能产生的较大的纵向冲动抑制。
5.为解决上述技术问题，本发明所采用的技术方案是：一种重载列车纵向动力学牵 引运行优化控制系统，包括：
6.运动动力学模型，输入为列车的控制指令，以减小纵向冲动为优化目标，输出期 望的牵引/电制动力；
7.专家系统，以所述运动动力学模型输出的期望的牵引/电制动力、优化输出及反馈 模块的输出为输入，调整期望的牵引力/电制动力，并向所述运动动力学模块反馈调整结 果；
8.预测模型，以所述专家系统输出的期望的牵引力/电制动力为输入，设定目标函数， 预测牵引力/电制动力；
9.优化输出及反馈模块，用于根据预测模型预测的牵引力/电制动力调整列车的牵引 力/电制动力，将调整后的牵引力/电制动力及实时监测的车钩力反馈至专家系统。
10.本发明通过对机车无线重联系统增加模型预测功能，实现对重载组合列车运行调 速时、尤其是长大列车在变坡点工况切换时可能会产生较大的纵向冲动抑制，克服这类 影响重载组合列车安全平稳运行的重大安全隐患。
11.为进一步优化控制效果，本发明的系统还包括：数据采集模块，用于采集重载组 合列车分布式动力编组模式下牵引车辆类型、牵引编组方式、车型差异数据、牵引特征、 牵引工况、电制动工况、线路信号及行车许可信息、列车速度；所述专家系统的输入还 包括所
述数据采集模块采集的数据。
12.本发明中，预测模型设定的目标函数表达式为：
[0013][0014]
其中，fr(k j)为所述专家系统在k j时刻获得的期望的牵引力/电制动力，表达 式为：fr(k j)＝(1-αi)fr(k) αif(k)；f(k)为k时刻实际的牵引力 /电制动力；αi为专家系统按列车载重计算得到的柔性系数；rj为加权系数，q＝diag[q1,q2,
…
,q
p
]， q1,q2,
…
,q
p
为预测误差加权系数；r＝diag[r1,r2,
…
,r
p
]，r1,r2,
…
,r
p
为控制量加权矩阵； h＝[h1,h2,
…
,h
p
]
t
，h1,h2,
…
,h
p
为反馈系数矩阵；g＝[g1,g2,
…
,g
p
]
t
，g1,g2,
…
,g
p
为 脉冲响应系数矩阵。g1矩阵为预测未来状况的脉冲系数矩阵，由预测未来的有限个采样 周期内系统的动态预测输出值决定，g2矩阵过去已知状况的脉冲系数矩阵，由过去有 限个采样周期内系统的动态实际输出值决定；m为控制时域长度；p为预测时域长度； e(k)为k时刻的预测误差；f
p
(k)＝fm(k) he(k)；e(k)＝f(k)-fm(k)；fm(k)为k时刻 的预测输出。
[0015]
本发明中，通过模型预测，同时克服了模型预测在线计算量大的缺点，可以快速得 到期望重联机车牵引/电气制动力并以此形成优化轨迹，以车辆间纵向力均衡为目标优化 函数，经模型预测优化控制，实时调整重联各机车的牵引力/电气制动力，降低了列车车 辆间纵向作用，确保了行车安全。
[0016]
预测模型在k j时刻预测的牵引力/电制动力fm(k j)表达式为： u(k j-1)为k j-1时刻的优化控制率。
[0017]
控制时域长度m设置为1《m《p。其中，m选取两个信号机之间的列车运行过程 作为控制时域，预测时域长度p选取一个闭塞区间的长度，虽然预测区间有限，但考虑 到重载列车运行速度不高，m设置为1《m《p系统的计算量可以极大减少，保证重载组 合列车协同控制的实时性及控制的鲁棒性。
[0018]
αi取值范围为0.2～0.6；rj取值范围为0.3～0.5。根据专家系统按列车载重(5000吨～30000 吨)线性插值选取，减小了计算量，同时可以动态反映与列车纵向力直接相关的列车牵 引载重因素。本发明的系统还包括特征反馈模块，用于进行车辆纵向力的检测，并将列 车的运行状况分为正常运行状况及异常运行状况，所述特征反馈模块的输出接入所述专 家系统。
[0019]
本发明的系统还包括异常情况约束模块，用于识别列车异常运行状态并进行安全防 护；所述异常情况约束模块的输出接入所述专家系统
[0020]
作为一个发明构思，本发明还提供了一种机车无线重联控制单元，其内嵌入有上述 优化控制系统。
[0021]
作为一个发明构思，本发明还提供了一种重联列车，其采用上述机车无线重联控制 单元。
[0022]
与现有技术相比，本发明所具有的有益效果为：本发明根据中部从控机车工况扰动 的情况下机车重联牵引重载组合列车的纵向动力学情况，结合线路条件下重载列车牵
引 运行纵向动力学与重联控制的非线性关系，建立预测列车动态运行动力学变异发展规律 专家系统模型，根据列车状态的惯性来推断未来的发展趋势来优化列车牵引动力学性能， 形成重载组合列车的牵引运行纵向动力学品质优化与重联约束控制及模型预测控制方 法。以组合列车运行时纵向作用力均衡为优化目标，实时基于模型预测重联机车相同工 况下主从控机车牵引及再生制动力的差异需求，进而合理且安全调整主从控机车牵引及 再生制动的功率大小，并根据运行情况可逐步过渡到列车不同工况下的异步控制，从而 达到优化长大组合列车动力学性能，减小重载列车纵向冲动目的。本发明实现了对重载 组合列车运行调速时、尤其是长大列车在变坡点工况切换时可能会产生较大的纵向冲动 抑制，克服了这类影响重载组合列车安全平稳运行的重大安全隐患。本发明的系统可在 原机车无线重联系统上进行适应改装，效果显著，成本较低，适合在重载组合列车中推 广应用，从而获得良好的经济效益。
附图说明
[0023]
图1为本发明实施例控制系统结构图；
[0024]
图2为本发明实施例系统与相关设备网络拓扑结构图；
[0025]
图3为本发明实施例核心预测模型算法构架图；
[0026]
图4为本发明实施例系统层次框图；图5为本发明实施例优化控制系统结构框图。
具体实施方式
[0027]
本发明通过在机车无线重联控制单元内嵌入模型预测的牵引及电气制动协同处理模 块，来实现对组合列车运行时纵向作用力均衡的优化目标，从而达到优化长大组合列车 动力学性能，减小重载列车纵向冲动目的，包括以下步骤：
[0028]
(1)构建一种基于模型预测的牵引及电气制动协同处理系统，主要分为3大部分， 第1为数据输入采集模块，通过与机车电气接口及车辆网络通信，将模型预测所需要的 数据及条件进行采集汇总；第2为专家系统和动力学模型组成的核心预测模块，集中处 理输入信息和反馈数据，导入实施方式(5)所描述的算法模型中进行计算推导，经过 多次迭代后得到优化组合后最优的预测调整参数；第3为优化输出及反馈模块，将预测 模型导出的牵引/电气制动控制优化策略进行参数调整后输出，并将反馈的机车牵引力\ 电制动力及外部辅助车钩应力测量装置获取的车钩力测量值等数据再次导入核心预测 模块，结合实施方式(5)所描述的算法模型进行闭环调整优化。
[0029]
(2)构建一种基于模型预测的牵引及电气制动协同处理模型的核心预测模块，包 括3层模型结构，第1为运动动力学模型，该模型主要处理基于长大重载货运列车纵向 动力学的计算和处理[文献：耿志修编著.大秦铁路重载运输技术[m].北京:中国铁道出 版社,2009.]，以减小纵向冲动为优化目标，其导出的优化结果作为第2层专家预测模型 的输入条件。第2层专家预测模型包含专家系统[文献：李蔚.重载列车机车无线重联同 步控制关键技术研究与应用[d].中南大学,2012.]、模型预测、特征反馈和异常情况约束 [文献：李蔚,陈特放,陈春阳,成庶.列车电气系统分布式多传感器异常检测理论研究[j]. 铁道学报,2010,32(5):70～76.]四个核心模块，形成包括预测判断、特性反馈和异常处理 的核心
预测模型。第3层为反馈特征模块，该模块作为闭环调整的数据接口，可将优化 输出后的反馈数据采集入核心预测模型。三层模型的关联关系为第一层运动动力学模型 和第三层反馈特征模块同时向第二层专家预测模型正向输入条件参数，由第二层的专家 预测模型导出协同优化控制参数，同时第二层的专家预测模型向第一层运动动力学模型 反馈计算结果，第二层的专家预测模型为主要计算及决策层。
[0030]
(3)构建一种基于模型预测的牵引及电气制动协同处理模型需要导入7种类型的 数据源，包括：牵引车辆、牵引编组方式、机车车型差异、牵引特性、牵引工况、电制 动工况、线路信号及行车许可，这7类数据是经过长期重载组合货运列车无线重联运行 数据经验积累，评价出的关键数据参数，其主要分为机车工况、线路信号以及编组运行 三大类别，对重载组合列车动力学优化控制有至关重要的影响。
[0031]
(4)构建一种基于模型预测的牵引及电气制动协同处理模型，需要对输出的优化 参数进行闭环控制调节，核心预测模型导出的参数，结合驾驶控制策略通过机车电气接 口和网络控制接口输出牵引力\电制动力的调整，并最终形成全列车的动力控制，系统通 过车辆车钩力的反馈模块，将纵向力的数据反馈给反馈特征模块，从而实现输出结果和 反馈信息的数据闭环路径。
[0032]
(5)根据已有的列车多质点动力学模型[文献：耿志修编著.大秦铁路重载运输技 术[m].北京:中国铁道出版社,2009.]，结合最优控制理论构建一种基于模型预测的牵引 及电气制动协同处理算法构架，以使预测导出的机车牵引/电气制动力输出值f(k)(实 际输出)符合动力学优化控制的目标，见图3所示。
[0033]
①
针对模型预测在线计算量大的缺点，在本发明中，结合模型预测理论[文献：陈 虹著.模型预测控制[m].北京：科学出版设，2021年。李国勇，杨丽娟编著.神 经
·
模糊
·
预测控制及其matlab实现(第4版)[m].北京：电子工业出版 社，2018年。]，将期望输出fc(k)输入至专家系统直接得到期望牵引/电气制动 力fr(k j)：
[0034]fr
(k j)＝(1-αi)fr(k) αif(k)；
[0035]
其中，α为专家系统通过调整柔性系数，p为预测时域长度，此时，依据预测长 度分别为α1,α2,α3,...,αi，根据专家系统按列车载重(5000吨～30000吨)线性插值选取 α范围为0.2～0.6，预测时域长度p选取一个闭塞区间的长度，这样以保证重载组合列车 协同控制的实时性及控制的鲁棒性。
[0036]
②
重联机车牵引/电制动协同优化控制率，其中优化性能以重载组合列车纵向力均 衡为目标，目标函数指标如下确定：
[0037][0038]
其中，m为控制时域，选取两个信号机之间列车运行过程作为控制时域，此时满 足1《m《p；rj为加权系数，根据专家系统按列车载重(5000吨～30000吨)线性插值选 取r范围为0.3～0.5。
[0039]
模型预测优化控制率：
[0040][0041]
其中，q＝diag[q1,q2,
…
,q
p
]，预测误差加权系数，根据车钩力与最大承受 的比值
来选取；
[0042]
r＝diag[r1,r2,
…
,r
p
]，控制量加权矩阵，限制控制增量的剧烈变化，通过 调整上述r来实现；
[0043]
h＝[h1,h2,
…
,h
p
]
t
，反馈系数矩阵，根据机车电气系统及控制系统的状态 反馈结构来具体确定；
[0044]
g＝[g1,g2,
…
,g
p
]
t
，脉冲响应系数，描述系统在有限个采样周期内的动态 输出特征。
[0045]
③
预测误差：
[0046]
e(k)＝f(k)-fm(k)
[0047]
④
反馈预测：
[0048]fp
(k)＝fm(k) he(k)
[0049]
⑤
输出预测：
[0050][0051]
以上预测算法模块导入图3中所示的算法构架图中，将形成预测优化控制目标值， 该目标值将导入优化输出及反馈模块进行执行。
[0052]
(6)构建一种基于模型预测的牵引及电气制动协同处理模型，见图2，从设备网络 结构可分为2层级，下层为协同控制执行层，通过机车电气接口和网络通信接口接收机 车工况、线路信号和编组运行数据，并将经过机车网络控制系统的协议解析和机车逻辑 控制单元处理后的电气控制指令导出给机车无线重联控制单元执行实施重载组合列车 的优化控制；上层为协同控制决策层，各车辆设备管理层数据通过协同控制决策层整合 之后，通过模型导入，经过预测算法计算，经由无线通信及协议处理模块进行列车级数 据传送，以实现列车级协同决策控制。通过机车动力学动态检测设备得到水平加速度， 垂直加速度，纵向加速度等参数，将参数传输到机车无线重联控制单元，结合专家系统 进行实时分析，同时输出到机车微机控制系统及机车无线重联同步控制系统，结合重联 运行工况来实现优化控制，并进行故障预警、安全导向等。
[0053]
实施例1
[0054]
如图1及图5所示，本发明实施例1包括的优化控制方法和系统，可形成包括2数 据输入采集模块、3核心预测模块、4优化输出及反馈模块构建出1基于模型预测的牵 引及电气制动协同处理模块。系统分为三部分，第一部分构建2数据输入采集模块，第 二部分构建3核心预测模块，第二部分构建4优化输出及反馈模块。三部分的关联关系 是2数据输入采集模块向3核心预测模块导出采集的机车工况、线路信号和编组相关的 数据，3核心预测模块向4优化输出及反馈模块导出结果数据，4优化输出及反馈模块 向3核心预测模块导出优化反馈数据。
[0055]
2数据输入采集模块包括三大类共7种关键导入数据，这三大类数据包括机车工况、 线路信号和编组数据。其中机车工况数据包括：9牵引工况、10电制动工况、12速度； 线路信号包括：11线路信号及行车许可；编组数据包括：5牵引车辆、6牵引编组方式、 7车型差异和8牵引特征。这三类数据通过数据整合汇总之后导入3核心预测模块进行 算法模型条件的生成。
[0056]
3核心预测模块包括13运动动力学模型、14专家系统、17预测模型、18特征反馈、19异常情况约束和20反馈特征。其中17模型预测是模型核心模块，由15自适应动态 调整模块和16评估模块组成。由2数据输入采集模块导入的数据首先进入13运动动力 学模型，形成基于导入数据的重载组合列车模型，再将此模型导入14专家系统中。14 专家系统是以中部从控机车工况扰动的情况下机车重联牵引重载组合列车的纵向动力 学情况，结合线路条件下重载列车牵引运行纵向动力学与重联控制的非线性关系，建立 的预测列车动态运行动力学变异发展规律的系统模型。14专家系统导出的模型会导入 17模型预测中，预测模型以组合列车运行时纵向作用力均衡为优化目标，将预测出的优 化特征值结果导出，并通过18特征反馈模块反向导入14专家系统进行内部修正，同时 对预测出的异常情况进行模型内部预警，通过19异常情况约束反向导入14专家系统进 行内部修正，这样不断的使得预测的优化特增值趋近于最优范围。同时20反馈特征模 块也会将实际执行的优化输出执行的结果采集并导入核心预测模块中，进行闭环调整控 制。
[0057]
4优化输出及反馈模块包括21牵引力\电制动力参数调整、22输出牵引力\电制动力 和23车辆车钩力监测。3核心预测模块导出的优化特征值将导入21牵引力\电制动力参 数调整模块进行牵引力\电制动力的动态匹配，并形成控制指令传输到22输出牵引力\ 电制动力模块形成整列车的动力分配。与此同时，23车辆车钩力监测模块会监测车钩的 动力学参数，将监测数据传输给20反馈特征模块导入和3核心预测模块。
[0058]
实施例2
[0059]
如图2所示，本发明实施例2包括系统在机车上实施时的两节内重联机车的系统设 备拓扑连接关系，在24机车的重联控制单元内嵌1基于模型预测的牵引及电气制动协 同处理模块，或者将24机车无线重联控制单元内的牵引及电气制动特性处理模块变换 为1基于模型预测的牵引及电气制动协同处理模块。1基于模型预测的牵引及电气制动 协同处理模块其发明示例详见实施例1.
[0060]
1基于模型预测的牵引及电气制动协同处理模块与机车设备通过28通信接口信息 指令传输和数据交互。包括通过28通信接口模块与29列车安全监控装置lkj获取线路 信号及行车许可，通过28通信接口模块与30列车网络控制与管理系统进行数据传输交 换，并间接通过30采集和驱动31机车电气控制接口信号，通过28通信接口模块与32 机车逻辑控制单元进行数据传输交换，通过28通信接口模块与33制动控制单元进行数 据传输交换，通过28通信接口模块与34其他第三方设备进行数据传输交换。两节车通 过35列车总线实现重联数据的交互。
[0061]
实施例3
[0062]
如图3所示，本发明实施例3包括系统在3核心预测模块中构建了预测模型及算法， 期望输入fc(k)导入37专家系统，37专家系统结合41输出反馈预测模块的反馈值将计 算结果值fr(k j)导入38重联机车牵引/电制动协调优化控制模块，38输出的结果值u (k j)输出给39机车电传动系统进行执行，同时给40列车多质点动力学模型进行列 车级动力学推演，两者导出的结果值f(k j)和fm(k j)结合生成e(k j)参数。41 输出反馈预测模块会将u(k j)、fm(k j)和e(k j)这是三个参数进行汇总，输出反 馈结果值fr(k j)，提供给38重联机车牵引/电制动协调优化控制模块进行反馈修正。
[0063]
实施例4
[0064]
如图4所示，发明实施例3包括在长大列车上实施基于模型预测的牵引及电气制动 协同处理模型时构建的两层控制管理层。以一主一从的远程编组模式为例，主车在列车 头部，从车在列车中部，作为第1层协同控制决策层(即第ⅰ级)，该层级的主要负责 重载组合列车的无线重联编组控制及牵引优化控制决策，由包含有1基于模型预测的牵 引及电气制动协同处理模块的24机车重联控制单元和25天线系统构成，由主车的26 协同控制决策层是整列车的优化控制核心，其特征为多机(最多包括4台机车)的远程 重联管理与优化控制，实现最多四台机车的无线重联编组及内部重联信息实时传输。第 2级为车辆协同控制执行层层(即第ⅱ级)，由每台机车的28、29、30、31、32、33、 34模块组成，其特征为通过与36机车网络及电气控制系统接口，实现机车内部的牵引\ 电制动协同控制，对优化策略执行并实施，同时对两节车的动力特性进行匹配，满足动 力均衡的要求。